PdM-FSA: prädiktives Instandhaltungsframework mit Fehlerseveritätsbewusstsein in Industrie 4.0 unter Verwendung von maschinellem Lernen

Prädiktive Wartung trägt zur Industrie 4.0 bei, da sie eine Senkung der Wartungskosten und Ausfallzeiten ermöglicht, während sie darauf abzielt, die Produktion und den Return on Investment zu erhöhen. Trotz der zunehmenden Nutzung von Techniken des maschinellen Lernens in der prädiktiven Wartung in industriellen Systemen in den letzten Jahren bestehen weiterhin mehrere Herausforderungen bei der Implementierung von ML, einschließlich der Qualität der gesammelten Daten, Ressourcenbeschränkungen und Heterogenität der Geräte. Diese Studie schlägt ein adaptives Framework für prädiktive Wartung im Kontext von Industrie 4.0 vor, insbesondere in Internet-of-Things (IoT)-Systemen, unter Verwendung von Modellen des maschinellen Lernens (ML). Insbesondere führt diese Studie PdM-FSA ein, ein neues Framework, das auf einem Ensemble-Klassifikator basiert und vier weithin akzeptierte ML-Modelle aus der Literatur zur prädiktiven Wartung nutzt: Random Forest (RF), Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost) und k-nächste Nachbarn (KNN). Die Ergebnisse der Leistungsbewertung zeigten, dass das PdM-FSA-Framework in der Lage ist, basierend auf der Schwere von Gerätefehlern in einer intelligenten Fabrik gut für prädiktive Wartung zu arbeiten. Die Ergebnisse dieser Studie liefern signifikantes Wissen für Forscher und Praktiker im Bereich der prädiktiven Wartung im Kontext von Industrie 4.0 und ermöglichen die Optimierung von Prozessen und verbessern die Produktivität.